neo4j

虹科网络安全

艾体宝产品 | 基准测试：ArangoDB性能碾压Neo4j，速度最高提升8倍！本文呈现了ArangoDB图形分析引擎（GAE）与Neo4j的基准测试结果，其中GAE是ArangoDB数据科学套件的重要组成部分。

小高求学之路

Neo4j - 为什么需要图数据库随着技术的发展，我们对数据的需求已经不再局限于对数据本身的获取了，我们还需要获取数据与数据间的关系（也就是连接数据）。

小高求学之路

eo4j 图数据库备忘单Neo4j 备忘单，包含入门资源和有关如何使用 Cypher 查询数据库的信息。Neo4j 是一个图数据库，由通过关系连接在一起的节点组成。如果您有一个高度连接的数据集或有许多连接的查询，您可能会考虑使用 Graph 数据库。

Neo4j数据库中批量插入数据（数据在.csv文件中）数据集介绍：bank.csv - 汽车品牌数据series.csv - 车系数据将bank.csv 与 series.csv 上传到neo4j的import目录下然后登陆 http://192.168.8.216:7474/browser/ 依次分别执行上述节点与关系导入语句

serve the people

tensorflow 零基础吃透：TensorFlow 稀疏张量（SparseTensor）的核心操作稀疏张量无法直接使用tf.math.add等密集张量的算术算子，必须通过tf.sparse包下的专用工具进行操作。本文拆解加法、矩阵乘法、拼接、切片、元素级运算五大核心操作，结合示例讲清原理、用法和版本兼容细节。

serve the people

tensorflow 零基础吃透：TensorFlow 稀疏张量（SparseTensor）的核心用法稀疏张量（tf.sparse.SparseTensor）是TensorFlow专为含大量零值（或空值）的张量设计的高效存储/处理方案，核心优势是仅存储非零值的坐标和值，大幅节省内存与计算资源。它广泛用于NLP（如TF-IDF编码）、计算机视觉（如含大量暗像素的图像）、嵌入层（embeddings）等超稀疏矩阵场景。

serve the people

tensorflow 零基础吃透：RaggedTensor 的不规则形状与广播机制RaggedTensor的核心特征是「不规则维度」（行长度可变），其形状描述和广播规则与普通tf.Tensor既有共通性，也有针对“可变长度”的特殊设计。以下分「不规则形状（静态/动态）」和「广播机制」两大模块，结合示例拆解原理、用法和避坑点。

serve the people

tensorflow 零基础吃透：RaggedTensor 的底层编码原理RaggedTensor的核心设计是**“扁平化存储+行分区描述”** —— 不直接存储嵌套列表（低效），而是将所有有效元素扁平存储在values张量中，再通过row_partition（行分区）描述“如何将扁平值拆分为可变长度的行”。以下从「核心编码结构」「四种行分区编码」「多不规则维度」「不规则秩与扁平值」「均匀维度编码」五大模块，拆解底层原理和用法。

简单使用FalkorDB和Neo4j图数据库FalkorDB 是一个通过稀疏矩阵和线性代数实现高性能查询的图数据库，专注于为LLM和企业级GraphRAG应用提供超低延迟的知识图谱服务。对中文的支持不太好。

黑客思维者

XGW-9000系列高端新能源电站边缘网关技术可行性分析报告V2目录项目概况与分析框架一、硬件架构技术可行性分析1.1 核心处理器选型与性能评估1.2 国密加密芯片技术评估

serve the people

tensorflow 零基础吃透：RaggedTensor 的索引与切片（规则 + 示例 + 限制）RaggedTensor 完全支持 Python风格的多维索引/切片，但遵循一个核心限制： ✅ 允许对「均匀维度（最外层，行数固定）」做任意索引/切片； ✅ 允许对「不规则维度（行内可变长度）」做切片（如取前N个、最后N个元素）； ❌ 禁止对「不规则维度做固定位置索引」（如强行取所有行的第3个元素）—— 因行长度不同，部分行无该位置，TF无法确定处理逻辑（报错/补默认值/删行均不明确）。

serve the people

tensorflow 零基础吃透：RaggedTensor 与其他张量类型的转换RaggedTensor 提供了原生方法，可与 TensorFlow 另外两种核心张量类型（密集张量 tf.Tensor、稀疏张量 tf.SparseTensor）双向转换，覆盖“补0/去填充”“稀疏存储/可变长度处理”等核心场景。以下按「转换方向」拆解每个方法的用法、原理和适用场景。

serve the people

tensorflow 零基础吃透：tf.function 与 RaggedTensor 的结合使用先准备基础运行环境：被@tf.function装饰的函数，对密集张量和RaggedTensor的处理逻辑完全一致——TF会自动识别输入类型，调用适配RaggedTensor的算子（如tf.concat有专门的Ragged处理逻辑），无需额外修改代码。

serve the people

tensorflow 零基础吃透：SavedModel 与 RaggedTensor 的结合使用SavedModel 是 TensorFlow 官方的模型序列化格式，能完整保存模型的「权重+计算图+签名」，支持跨平台部署（如TensorFlow Serving、TFLite）、离线复用； RaggedTensor 与 SavedModel 兼容的核心规则：

serve the people

tensorflow 零基础吃透：RaggedTensor 的重载运算符RaggedTensor 类重载了Python标准的算术/比较运算符（如+、-、*、==等），底层自动调用TensorFlow的逐元素算子（如tf.add、tf.equal），让你可以像操作普通tf.Tensor一样对RaggedTensor做数学运算，且运算结果仍保留RaggedTensor的可变长度结构（无需转密集张量、无冗余补0）。

python之知识图谱(Neo4j)安装方式因系统的不同而不同，Neo4j 支持 Linux, Mac，Windows。安装又离不开官网，官网地址：https://neo4j.com/。因为我是windows操作系统，所以，这次先讲windows的。如何后面涉及到Linux系统的，再进行更新。

serve the people

tensorflow 零基础吃透：tf.data 中 RaggedTensor 的核心用法（数据集流水线）这份内容会拆解 tf.data.Dataset 与 RaggedTensor 结合的四大核心场景——构建数据集、批处理/取消批处理、非规则张量转Ragged批处理、数据集转换，全程用「通俗解释+代码拆解+原理+结果解读」，帮你理解“可变长度数据”在TF输入流水线中的最优处理方式。

serve the people

tensorflow 零基础吃透：不规则张量（RaggedTensor）vs 稀疏张量（SparseTensor）这份内容会用通俗比喻+核心对比+实例拆解，讲清楚两者的本质区别——它们看似都“省内存”，但设计目标、数据形态、运算逻辑完全不同，核心结论先记住：

深度学习可视化：用TensorBoard分析模型训练过程TensorBoard 是 TensorFlow 提供的可视化工具，用于跟踪和可视化模型的训练过程。它可以帮助分析模型性能、调试问题以及优化超参数。TensorBoard 支持多种功能，包括标量、图像、直方图、计算图和嵌入的可视化。

serve the people

零基础吃透 RaggedTensor 文本特征提取示例（通俗版）这份内容会从零开始拆解原示例，先讲核心思想，再逐步解释「要做什么、用什么API、API背后的原理」，全程用大白话，避免专业术语堆砌，确保你能理解每一步的目的和底层逻辑。